কি শক্তিবৃদ্ধি শিক্ষা?

একটি প্রশিক্ষণ পদ্ধতি যা মডেল আচরণকে আকার দিতে মানুষের পছন্দ সংকেত ব্যবহার করে।

একটি মডেল যা পছন্দের সংকেতের উপর ভিত্তি করে আউটপুট স্কোর করে, প্রায়শই RLHF পাইপলাইনে ব্যবহৃত হয়।

একটি সফ্টওয়্যার সিস্টেম যা লক্ষ্য অর্জনের জন্য পর্যবেক্ষণ, যুক্তি এবং পদক্ষেপ নিতে পারে, প্রায়শই সরঞ্জাম এবং মেমরি ব্যবহার করে।

একটি প্রশিক্ষণ এবং আচরণ-আকৃতির পদ্ধতি যেখানে মডেল আউটপুট লিখিত নীতিগুলির একটি নির্দিষ্ট সেট দ্বারা পরিচালিত হয়।

একটি পুনরাবৃত্ত চক্র যেখানে একটি AI এজেন্ট একটি লক্ষ্য সম্পূর্ণ না করা পর্যন্ত বা একটি স্টপ শর্তে আঘাত না করা পর্যন্ত পর্যবেক্ষণ করে, পরিকল্পনা করে, কাজ করে এবং প্রতিফলিত করে।

একটি প্রশিক্ষণ পদ্ধতি যা একটি পৃথক পুরস্কার মডেলের প্রয়োজন ছাড়াই সরাসরি পছন্দের জোড়ায় মডেলগুলিকে সূক্ষ্ম-টিউন করে৷